圖1

企業(yè)在開展系統(tǒng)間數字主線建設的同時，應該秉承以終為始的思路，考慮如何建立合理的主數據體系，并在海量數據中進行清洗、特征工程、建模、迭代優(yōu)化等工作，將系統(tǒng)中產生的歷史數據和新產生的實時數據通過數據服務的形式持續(xù)性地組織分析，建立基于系統(tǒng)數據的模型自學習、自升級機制。

只要實現了LLM通用模型基礎上的垂域知識訓練與建模，在產品開發(fā)過程的每個階段都可以挖掘AI應用，例如通過爬蟲技術進行市場洞察、利用LLM模型虛擬大量用戶支撐需求優(yōu)先級排序、利用生成式AI進行產品概念設計或增材制造設計、采用機器學習對測試活動進行缺陷預測、通過三點估測法結合深度學習預測項目成本或采購風險?；谏鲜瞿芰涂蓸嫿☉眉壷悄荏w，例如采購BOM預測Agent、基于需求的快速報價Agent、變更影響分析Agent……只有實現了底層系統(tǒng)數據打通和面向垂直領域應用的持續(xù)分析，才能實現產品開發(fā)過程數據的可自主讀取識別，逐漸達到數據可自主創(chuàng)造和自主決策的高度。如圖2所示，將PLM等系統(tǒng)數據進行結構化、圖譜化梳理，并建立持續(xù)的訓練與模型調優(yōu)機制，對垂直領域大模型開展?jié)u進優(yōu)化，是建立企業(yè)級AI應用的必由之路。

圖2

AI驅動的集成供應鏈優(yōu)化

以集成供應鏈優(yōu)化為例，AI技術能夠協助企業(yè)預測采購需求，推薦物料選型，求解最佳采購計劃，規(guī)避供應商交付風險，如圖5所示，AI技術在供應鏈優(yōu)化方面能夠提供重要助力。

圖3

由于市場需求和供應鏈趨勢的波動，企業(yè)希望提前預測未來一段時間的采購計劃。企業(yè)可以通過建立市場趨勢、客戶需求、歷史銷售數據和采購數據的數字主線，結合時間序列模型和深度學習模型，預測未來的采購方案，以降低庫存壓力或物料短期風險。某車企通過時間序列ARIMA模型和深度學習LSTM模型預測6個月內的采購需求，實現訂單驅動的拉式生產零庫存管理，將庫存對資金占用的浪費降到最低。

AI技術也能夠幫助企業(yè)建立物料智能優(yōu)選引擎，構筑物料采購規(guī)模效應。通過建立包含供應商歷史交貨準時率、質量合格率、價格波動、DOE結果、客訴數據的數字主線，構建面向物料的多維尺度評價模型，整合基于固有屬性的機理模型和基于歷史采用情況的數據模型，自動推薦最優(yōu)供應商和物料，實現數據驅動的物料智能推薦。國內電子高科技行業(yè)某頭部企業(yè)已經開始使用上述方法針對電氣元器件進行AI智能優(yōu)選的探索，并且取得了一定的成效。

Gartner預測到2028年，至少15%的日常工作決策將通過代理型AI自主做出。借助AI的力量，未來的集成供應鏈管理必將從傳統(tǒng)的“成本單元”轉型為構筑企業(yè)競爭力的“戰(zhàn)略單元”。

展望

人工智能技術是企業(yè)數字化轉型的重要驅動力，企業(yè)要想構建基于AI的數字化轉型能力就必須構建“算力-算法-數據”三位一體的底層架構。對于企業(yè)來說該架構的最大困難仍然在于高質量數據的突破，能否將嵌在多源異構系統(tǒng)和流程中的寶貴數據提煉并應用，是企業(yè)未來實現AI驅動數字化轉型的最大挑戰(zhàn)。如圖4所示，AI技術是未來驅動數字化轉型的核心驅動力，要想駕馭AI能力并實現落地應用，企業(yè)還有很長的路要走。

圖4

企業(yè)在這場沒有終點的AI競賽中想要勝出，除了需要構建“算力-算法-數據”三位一體的底層架構以外，還需要建立基于LLM通用模型基礎上的垂直領域模型，達到面向人員的能力在線和面向流程的業(yè)務在線，使其具備制造業(yè)專有的產品開發(fā)知識，用于促進多角色協同的產品開發(fā)工作。未來的產品競爭力，將取決于企業(yè)駕馭AI創(chuàng)新的能力。唯有將AI深度融入研發(fā)基因，方能在智能時代占據先機。【本文作者：PTC公司  段立淵 施戰(zhàn)備】

xiesc

<tfoot id="zlb4b"></tfoot>